在使用Scrapy爬取多页数据时,容易出现丢失请求,数据爬取不完整的问题
def parse_city(self, response):
month_urls = []
li_list = response.xpath('/html/body/div[7]/div[1]/div[13]/div/div/ul/li/a/@href').extract()
for li in li_list:
day_q = li[-11:-5]
if int(day_q) > 201600:
# 月份的完整URL
month_url = 'https://lishi.tianqi.com' + li
month_urls.append(month_url)
print(len(month_urls))
for m_url in month_urls:
# print(m_url)
yield scrapy.Request(url=m_url, callback=self.parse_day)
def parse_day(self,response):
print(response)
问题:67个url只成功50个左右
如果settings.py
文件中设置为LOG_LEVEL = 'ERROR'
,即使有部分的url请求失败也不会出现报错信息
应将LOG_LEVEL = 'ERROR'
改为LOG_LEVEL = 'INFO'
,这样就可以看到出现问题的url,出错的原因
# LOG_LEVEL = 'ERROR'
LOG_LEVEL = 'INFO'
我的错误为 403
访问被拒
scrapy.spidermiddlewares.httperror INFO: Ignoring response <403 https://lishi.tianqi.com/zhengzhou/202001.html>: HTTP status code is not handled or not allowed
原因应该是在一定时间内过多地访问此网站,被网站的反爬机制识别了
解决方法:
1、降低自己的访问速度(我一开始是这样做的,但是效果不太好)
2、做伪装,使用UA池和代理IP池